تشخیص بیماری کووید-۱۹ با استفاده از شبکه های عصبی کانولوشنال بهینه سازی شده

پاندمی کووید-۱۹ بیش از ۲ سال است که سبب مشکلات فراوانی در تمام دنیا بوده است. از این رو مبارزه با این بیماری به یکی از اولویت-های مهم جامعه بشری برای غلبه بر این مشکلات تبدیل شده است. یکی از اولین گام ها برای مبارزه با این بیماری، تشخیص صحیح و سریع این بیماری است که روش های مختلفی برای تشخیص این بیماری پیشنهاد و ارائه گردیده است. از طرفی یکی از مهم ترین ابزارهای دسته بندی و تشخیص تصاویر، استفاده از شبکه های عصبی کانولوشنال می باشد. در این مقاله با استفاده از شبکه های عصبی کانولوشنال، ساختاری پیشنهاد شده است که اطلاعات تصاویر اسکن شده از ریه افراد را دریافت کرده و پس از پردازش، وضعیت فرد را در ۳ دسته کووید-۱۹، سالم و پنومونی در خروجی نشان می دهد. از مهم ترین مزایای این شبکه می توان به دقت بالا نسبت به سایر روش های موجود اشاره نمود. همچنین شبکه پیشنهادی در این مقاله، با استفاده از الگوریتم های گرگ خاکستری و ژنتیک بهینه سازی شده و در نتیجه ساختار نهایی آن هم از نظر دقت و هم از نظر پیچیدگی به حد مناسبی رسیده است تا جایی که تعداد لایه ها و تعداد فیلترهای آن نسبت به شبکه های پیش از خود بسیار کمتر است در حالی که از نظر دقت میزان قابل قبولی به نسبت شبکه های بسیار گستره تر از خود دارا می باشد. شبکه پیشنهادی با استفاده از مجموعه داده های کگل آموزش داده شده و در نهایت دقت ۳۴/۹۵% برای آن بدست آمده است که در صورت افزایش مقدار داده های آموزش می توان به دقت بالاتری نیز دست یافت.

کلیدواژه ها:

شبکه های عصبی کانولوشنال ، کووید-۱۹ ، بهینه سازی ، الگوریتم های فراابتکاری